¿Las redes neuronales convolucionales construyen simetrías locales o globales?
Ellos hacen las dos cosas. O, en realidad, se esfuerzan por encontrar simetrías locales válidas a nivel mundial.
Por diseño, una CNN entrena sus pesos al “deslizar” (también conocido como convolucionar) un núcleo sobre los datos de entrada. Los pesos se entrenan sobre todas las “piezas de entrada” que resultan del deslizamiento del núcleo sobre los datos, ya sea una imagen 2D, una señal o sonido 1D, o una cadena de símbolos o palabras, para que los pesos aprendan regularidades estadísticas relacionadas con todos los datos, pero son detectables localmente dentro del núcleo (que funciona como una “mirilla” sobre los datos).
- ¿Cómo agrega Quora el aprendizaje automático a su aplicación web?
- Cómo dominar el aprendizaje automático en el menor tiempo posible
- ¿Qué es la plataforma World Modeler y cómo se compara con plataformas similares?
- ¿Cómo se compara Python con R para el análisis de datos y el aprendizaje automático?
- ¿Es Siraj Raval el Neil De Grasse Tyson del aprendizaje profundo?
Ahora, en la metodología de aprendizaje profundo, las CNN son solo un tipo de capa: hay otras capas cuya función es “ver la imagen más grande” y determinar las características globales útiles para el reconocimiento, utilizando como entrada los resultados de las CNN de nivel inferior. Es en este sentido que las CNN, o, más precisamente, las redes con capas CNN, pueden obtener características y simetrías tanto locales como globales.
Pero, de nuevo, una sola capa CNN encuentra características y simetrías locales válidas globalmente.
